Dữ liệu quyết định hiệu quả đầu tư AI của doanh nghiệp

Bài toán quan trọng hơn nằm ở chất lượng dữ liệu, khả năng kiểm soát rủi ro và cách doanh nghiệp lượng hóa giá trị kinh tế mà AI mang lại.

Dữ liệu quyết định hiệu quả của AI

Trong quá trình ứng dụng AI, dữ liệu đang trở thành một trong những yếu tố quyết định khả năng chuyển hóa công nghệ thành kết quả kinh doanh. Thực tế cho thấy, không ít doanh nghiệp đã đầu tư vào các công cụ AI nhưng hiệu quả tài chính chưa tương xứng, nguyên nhân nằm ở việc dữ liệu khách hàng vẫn phân tán trên nhiều hệ thống, thiếu đồng nhất, chưa được cập nhật hoặc thậm chí không còn chính xác.

Ông Nguyễn Minh Liêm - Đồng sáng lập kiêm Giám đốc Điều hành Công ty CP Công nghệ BYTE cho rằng doanh nghiệp cần chuẩn hóa dữ liệu khách hàng, hợp nhất thông tin và cập nhật thường xuyên. Khi dữ liệu đủ sạch và có thể sử dụng ngay, AI mới có cơ sở đưa ra những gợi ý sát với nhu cầu thực tế.

Khi dữ liệu đầu vào không đầy đủ, AI khó có thể đưa ra những phân tích và khuyến nghị sát với nhu cầu thực tế. Một hệ thống có năng lực xử lý mạnh đến đâu cũng không thể tự bù đắp những khoảng trống về thông tin khách hàng. Vì vậy, trước khi mở rộng đầu tư vào các nền tảng AI quy mô lớn, doanh nghiệp cần xác định rõ dữ liệu đang nằm ở đâu, được tổ chức như thế nào, còn thiếu những gì và chất lượng đến đâu.

Quá trình này bắt đầu từ việc kiểm kê toàn bộ nguồn dữ liệu, sau đó hợp nhất những thông tin đang nằm rải rác trên các hệ thống bán hàng, chăm sóc khách hàng, marketing và vận hành. Dữ liệu tiếp tục phải được làm sạch, loại bỏ những thông tin trùng lặp, lỗi thời hoặc sai lệch, đồng thời duy trì cơ chế cập nhật thường xuyên. Mục tiêu cuối cùng không chỉ là có một kho dữ liệu lớn, mà phải hình thành hệ thống dữ liệu có tính chính xác, thống nhất, được cập nhật theo thời gian thực, tuân thủ các yêu cầu về quyền riêng tư và sẵn sàng được kích hoạt cho những mục tiêu kinh doanh cụ thể.

Giá trị của việc chuẩn hóa dữ liệu có thể được nhìn thấy rõ qua các chỉ số kinh doanh. Ông Nguyễn Minh Liêm cho biết, sau khoảng 12 tháng triển khai việc làm sạch và hợp nhất dữ liệu có thể giúp hiệu suất chi tiêu quảng cáo tăng khoảng 35%, chi phí trên mỗi đơn hàng đối với nhóm khách hàng cũ giảm khoảng 40% và doanh thu bán chéo tăng gấp ba lần nhờ xác định chính xác hơn thời điểm tương tác với khách hàng. Những kết quả này cho thấy khi dữ liệu được tổ chức đúng cách, doanh nghiệp có thể sử dụng AI để nhận diện nhu cầu, phân loại khách hàng, dự báo hành vi và đưa ra quyết định nhanh hơn.

Thuê hạ tầng, kiểm soát rủi ro và đo bằng hiệu quả kinh tế

Một tủ máy chủ AI có giá khoảng 3,9 triệu USD, gấp tám lần tủ máy chủ thông thường. Công nghệ GPU thay đổi nhanh, khiến thiết bị có thể phải khấu hao chỉ sau 2-3 năm. Điện năng cũng tạo áp lực lớn. Mật độ công suất mỗi rack máy chủ đã lên khoảng 27 kW, trong khi các siêu cụm AI có thể vượt 100 kW. Nhu cầu điện cho AI toàn cầu được dự báo tăng từ 132 GW lên 290 GW vào năm 2030.

Cùng với bài toán dữ liệu, chi phí hạ tầng và an toàn thông tin đang trở thành những rào cản lớn đối với doanh nghiệp muốn mở rộng ứng dụng AI. Đặc biệt, các hệ thống AI đòi hỏi năng lực tính toán cao, kéo theo chi phí lớn cho máy chủ, GPU, điện năng, hệ thống làm mát và vận hành. Một tủ máy chủ AI có thể có giá khoảng 3,9 triệu USD, cao gấp nhiều lần máy chủ thông thường, trong khi vòng đời công nghệ GPU lại tương đối ngắn do tốc độ đổi mới nhanh.

Điều này đặt doanh nghiệp trước một bài toán về hiệu quả vốn, đầu tư lớn vào hạ tầng nhưng không khai thác hết công suất có thể khiến chi phí khấu hao và vận hành trở thành gánh nặng. Trong bối cảnh đó, mô hình thuê hạ tầng AI trên nền tảng đám mây hoặc sử dụng các dịch vụ AI theo nhu cầu đang được xem là phương án linh hoạt hơn, đặc biệt với doanh nghiệp đang thử nghiệm công nghệ hoặc có nhu cầu xử lý dữ liệu biến động.

Thay vì mua đứt toàn bộ hệ thống, doanh nghiệp có thể trả chi phí theo nhu cầu sử dụng, qua đó giảm vốn đầu tư ban đầu và hạn chế nguy cơ sở hữu những thiết bị nhanh chóng lỗi thời. Cách tiếp cận này cũng cho phép doanh nghiệp điều chỉnh quy mô năng lực tính toán theo từng giai đoạn, thay vì phải duy trì một hệ thống lớn ngay từ đầu.

Tuy nhiên, khi AI được tích hợp ngày càng sâu vào các ứng dụng, lượng dữ liệu được trao đổi trong nội bộ doanh nghiệp cũng gia tăng, trong đó các luồng kết nối East-West có thể chiếm khoảng 70-80% tổng lưu lượng hệ thống. Nếu không được giám sát đầy đủ, đây có thể trở thành điểm mù khiến doanh nghiệp khó phát hiện sớm các hành vi bất thường hoặc nguy cơ xâm nhập.

Một rủi ro khác đến từ chính người sử dụng. Việc nhân viên đưa dữ liệu khách hàng, thông tin kinh doanh hoặc tài liệu nội bộ vào các công cụ AI công cộng có thể tạo ra nguy cơ rò rỉ thông tin nếu doanh nghiệp chưa thiết lập quy định và cơ chế kiểm soát phù hợp. Vì vậy, quản trị AI cần được triển khai đồng thời với quản trị dữ liệu, từ kiểm soát thông tin đầu vào đến phân quyền truy cập, giám sát luồng dữ liệu và kiểm tra các đầu ra do AI tạo ra.

Mã nguồn do AI hỗ trợ tạo ra cũng không mặc nhiên an toàn. Một số đánh giá cho thấy tỷ lệ mã nguồn có lỗ hổng bảo mật có thể dao động từ 38% đến hơn 70% tùy ngôn ngữ lập trình và bối cảnh sử dụng. Điều này đặt ra yêu cầu doanh nghiệp phải duy trì quy trình kiểm thử, rà soát bảo mật và kiểm soát chất lượng mã nguồn, thay vì đưa trực tiếp sản phẩm do AI tạo ra vào hệ thống vận hành.

Sau cùng, hiệu quả của một dự án AI không nên được đánh giá bằng số lượng mô hình được triển khai hay mức độ hiện đại của công nghệ, mà phải được đo lường bằng những giá trị kinh tế cụ thể, từ mức tăng doanh thu, giảm chi phí, cải thiện năng suất lao động, rút ngắn thời gian xử lý công việc đến hiệu quả chi tiêu marketing. Việc xác lập và lượng hóa các chỉ số ngay từ đầu giúp doanh nghiệp có cơ sở đánh giá AI thực sự tạo ra giá trị hay chỉ làm gia tăng chi phí công nghệ, qua đó chuyển tư duy từ “đầu tư AI” sang “đầu tư cho kết quả”, trong đó dữ liệu là nền tảng, hạ tầng là công cụ, an toàn thông tin là điều kiện bảo đảm và hiệu quả kinh tế là thước đo cuối cùng.